Which disadvantaged students beat the odds in STEM? A design-consistent, fairness-audited machine learning study of 143,573 adolescents in 79 PISA 2022 education systems
Este estudio emplea un enfoque de aprendizaje automático consistente con el diseño y auditado en cuanto a la equidad sobre los datos de PISA 2022 de 143.573 adolescentes desfavorecidos en 79 sistemas educativos para identificar que, si bien la autoeficacia en matemáticas es el predictor universal más fuerte de la resiliencia en STEM, los modelos predictivos exhiben limitaciones significativas de transportabilidad y sesgos sistemáticos contra las niñas y los estudiantes rurales, lo que subraya la necesidad de estrategias de detección contextuales y equitativas.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Cada año, millones de adolescentes de quince años de todo el mundo se presentan a un examen estandarizado que mide qué tan bien comprenden las matemáticas y las ciencias. Durante décadas, los investigadores han conocido una verdad simple y persistente sobre estos resultados: la riqueza familiar de un estudiante es uno de los predictores más fuertes de su puntuación. Los niños de entornos más pobres tienden a obtener puntuaciones más bajas, mientras que aquellos de hogares más ricos tienden a obtener puntuaciones más altas. Esta brecha es profundamente importante porque la competencia en estas materias es la puerta de entrada a carreras en ciencia, tecnología, ingeniería y matemáticas. Sin embargo, la historia no es enteramente determinista. En cada país que participa en estas pruebas, hay estudiantes del cuartil más bajo de hogares que desafían las probabilidades. Ellos logran marcas altas tanto en matemáticas como en ciencias, demostiendo que la desventaja no hace que el éxito sea imposible. A estos estudiantes se les suele llamar "académicamente resilientes". La pregunta que durante mucho tiempo ha desconcertado a educadores y responsables de políticas no es solo quiénes son estos estudiantes, sino qué factores les ayudan a tener éxito. ¿Es su propia confianza? ¿El apoyo de sus profesores? ¿Los recursos disponibles en sus escuelas?
Durante mucho tiempo, responder a esta pregunta dependió de la estadística tradicional, que a menudo tiene dificultades para desenredar la compleja red de factores que influyen en la vida de un estudiante. Recientemente, los investigadores han comenzado a utilizar el aprendizaje automático (machine learning), un tipo de programa informático que puede encontrar patrones en vastas cantidades de datos, para buscar respuestas. Sin embargo, muchos de estos intentos tempranos tomaron atajos que ignoraron la forma específica en que se recolectaron los datos de la prueba. Trataron los datos como una simple lista de nombres en lugar de una encuesta cuidadosamente diseñada, y a menudo probaron sus modelos solo con los mismos datos que usaron para construirlos, sin comprobar si los resultados se mantendrían en un país diferente. Un nuevo estudio publicado en 2026, liderado por Omar Allohibi de la Universidad de Taibah, se propone solucionar estos problemas. Al analizar datos de 143,573 adolescentes desfavorecidos a través de 79 sistemas educativos diferentes, construyeron un modelo de aprendizaje automático diseñado para predecir qué estudiantes superarían las probabilidades. Crucialmente, construyeron el modelo con extremo cuidado para respetar el diseño de la encuesta, lo probaron en países que no había visto antes y comprobaron si trataba de manera justa a los diferentes grupos de estudiantes.
El estudio comenzó definiendo exactamente qué significaba "superar las probabilidades". Se centraron únicamente en estudiantes del cuarto inferior de la escala socioeconómica en cada país. Luego buscaron a aquellos que alcanzaban un nivel específico de competencia tanto en matemáticas como en ciencias, un estándar lo suficientemente alto como para sugerir que están preparados para estudios avanzados. Encontraron que, a nivel mundial, solo alrededor del 12.5 por ciento de estos estudiantes desfavorecidos cumplieron con este alto estándar. La tasa variaba enormemente de un país a otro, desde menos de una décima parte del uno por ciento en algunos sistemas hasta el 62 por ciento en Singapur. Esta variación sugirió que el entorno del sistema escolar desempeña un papel masivo en si un estudiante puede prosperar o no.
Cuando entrenaron su modelo de aprendizaje automático para predecir qué estudiantes serían resilientes, este funcionó con una precisión notable. El modelo podía distinguir entre estudiantes con dificultades y estudiantes exitosos mucho mejor que una simple suposición basada en el promedio del país. El predictor más poderoso que encontraron no fue un recurso escolar ni un nivel de ingresos familiares, sino la propia creencia del estudiante en su capacidad para hacer matemáticas. Este sentimiento, conocido como autoeficacia, fue el factor individual más fuerte en los 7 79 países. Los estudiantes que creían que podían resolver problemas matemáticos tenían muchas más probabilidades de tener éxito, incluso cuando enfrentaban desventajas significativas. Otros factores, como tener acceso a computadoras en casa y la capacidad de resistir el estrés, también jugaron roles importantes. Curiosamente, el modelo también encontró que los estudiantes que tenían trabajos remunerados fuera de la escuela tenían menos probabilidades de ser resilientes, probablemente porque tenían menos tiempo para estudiar.
Sin embargo, el estudio reveló una limitación crítica en cómo se utilizan a menudo estos modelos. Cuando tomaron un modelo entrenado con datos de muchos países e intentaron usarlo para predecir resultados en un solo país no visto anteriormente, su precisión disminuyó significativamente. Aunque el modelo seguía siendo útil, no era tan confiable como sugerían las cifras globales. Más importante aún, los factores específicos que más importaban en un país eran a menudo diferentes de los factores que más importaban en otro. La única excepción fue la creencia en la propia capacidad matemática, que siguió siendo el principal predictor en todas partes. Este hallazgo desafía la idea de que existe una lista única y universal de "ingredientes clave" para el éxito que se aplya a cada cultura y sistema educativo. En cambio, sugiere que, si bien la confianza es un motor universal para el éxito, los otros factores de apoyo dependen en gran medida del contexto local.
También realizaron una auditoría de equidad para ver si el modelo trataba a todos los estudiantes por igual. Descubrieron que, aunque el modelo era preciso en promedio, cometía diferentes tipos de errores para diferentes grupos. Era significativamente menos probable que identificara correctamente a las niñas resilientes que a los niños resilientes. También era mucho menos probable que detectara a estudiantes resilientes que vivían en zonas rurales en comparación con aquellos en ciudades. Cuando eliminaron el género de las entradas del modelo, la brecha para las niñas desapareció, lo que sugiere que el modelo había aprendido a usar el género como un atajo que trabajaba en contra de las niñas. Sin embargo, eliminar la ubicación rural del modelo no solucionó la brecha para los estudiantes rurales. Esto indicó que el problema para los estudiantes rurales no era el sesgo del modelo, sino el hecho de que las condiciones generales en las zonas rurales hacían que el éxito fuera más difícil de predecir con un estándar único.
El estudio concluye que, si bien el aprendizaje automático puede ayudar a comprender los factores detrás de la resiliencia académica, se debe tener cuidado con la forma en que se utilizan estas herramientas. La conclusión más importante es que la confianza en la propia capacidad para aprender matemáticas es una fuerza poderosa y universal que puede ayudar a los estudiantes desfavorecidos a tener éxito. Pero confiar en un único modelo global para tomar decisiones para cada estudiante en cada país es arriesgado. Los factores que impulsan el éxito no son los mismos en todas partes, y un modelo que funciona bien en un lugar podría errar el tiro en otro. Además, si estas herramientas se utilizan para identificar estudiantes para programas de apoyo, deben ser revisadas cuidadosamente para asegurar que no estén pasando por alto sistemáticamente a las niñas o a los estudiantes en comunidades rurales. Al respetar la complejidad de los datos y probar los modelos en el mundo real donde serán utilizados, los investigadores pueden construir herramientas que realmente ayuden a la equidad en la educación en lugar de ampliar accidentalmente las brechas que pretenden cerrar.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.